半岛彩票在刚刚过去的第一季度，南京、上海、武汉、无锡等10余个地区先后出台人工智能算力产业发展支持政策。21世纪经济报道记者梳理发现，各地通过开放相关应用场景、现金补贴、发放“模型券”“算力补贴券”等形式，“真金白银”鼓励人工智能企业加强技术与应用创新，引导智能算力集约化调度。
3月26日，工信部新闻发言人、总工程师赵志国在国新办新闻发布会上表示，下一步，将着力提升产业科技创新能力，加快推动以大模型为代表的人工智能赋能制造业发展。今年将开展“人工智能+”行动，促进人工智能与实体经济深度融合，推动人工智能赋能新型工业化。
对通用人工智能（AGI）来说，数据、算力、算法三大核心要素中，算力向下扎根于数据，向上支撑着算法，是驱动AGI发展的核心动力。根据中国信息通信研究院发布的数据，我国在用机架数量三年复合增长率约30%，截至2023年底超过810万标准机架，算力总规模达到230EFLOPS（EFLOPS指每秒进行1018次浮点运算），位居全球第二；全国智能算力规模达70EFLOPS，2023年增速超过70%。
但与此同时，我国算力发展仍然面临着大规模、低成本与低能耗三大挑战。“数字经济时代，各行业大模型训练、生成式AI对算力产生了爆炸性需求。”上海流程智造科技创新研究院公司总经理贺仁龙在接受21世纪经济报道记者采访时表示，算力容量决定了城市未来的发展空间。各地方政府可以测算和排摸未来五年面向城市数字化转型、跨境数据流动、金融结算等算力需求，结合海上风电规划，对海底数据中心进行统一布局规划，分区域、分规模、分步骤推进海底数据中心规模化建设。
3月29日，北京市经开区发布《北京经济技术开发区关于加快打造AI原生产业创新高地的若干政策》，目标到2026年，人工智能核心技术取得重大突破，算力算法数据有效支撑，建成人工智能算力10000PFlops。为加快推进算力基础设施建设，北京市经开区提出，每年将发放1亿元算力券，企业可申领算力券用于算力租用。为推动人工智能应用场景赋能与开放，北京市经开区每年将发放1亿元模型券，对购买技术自主可控基座大模型的企业予以补贴。
3月27日，武汉发布的《促进人工智能产业发展若干政策（征求意见稿）》提出，加快超（智）算中心建设，对示范效果突出并获得省级建设运营补贴资金的超（智）算中心，按照省级补贴金额给予1：1配套奖励。根据算力使用情况每年设立总额不低于1000万元算力“服务补贴券”，重点支持中小企业购买算力服务。
另外，无锡市发布的《关于加快推进算力发展和应用的实施意见》提出，设立每年5000万元的算力券补助资金。《庆阳市“东数西算”算力券实施方案(试行)》日前发布，重点支持开展人工智能大模型训练和应用，包括语音识别、图像识别、自动驾驶等领域的应用，每年发放总额不超过1亿元的算力券。
此外，近日印发的《上海市智能算力基础设施高质量发展“算力浦江”智算行动实施方案（2024-2025年）》提出，到2025年底，上海将努力实现智算设施高效协同，智能算力规模超过30EFlops，通过“算力券”等激励机制，引导智能算力集约化调度。
针对近期各地密集发布大模型支持政策的原因，毕马威中国数字化赋能主管合伙人张庆杰在接受21世纪经济报道记者采访时表示，大模型训练依然面临着高昂的成本问题。放眼全球，除了几大科技巨头外，几乎没有企业能够承担得起大模型训练的高昂成本，算力不实现普惠化，任何关于AI和科技革命的畅想都将是空中楼阁。
“目前偏大规模的算力需求以B端和G端为主，算力降本需求十分迫切，要利用有限资金获取更多元的算力，并优化算力资源配置和利用效率。同时，低能耗也是行业需要探索的方向。数据中心是各国算力发展的重中之重，但其也存在着严重的碳排放问题，随着碳中和目标成为全球共识，大部分国家都提出了较为严格的数据中心节能减排要求。”张庆杰说道。
从具体内容来看，“算力券”是指重点企业和单位通过特定城市的算力公共服务平台，使用智能算力资源服务时，给予不超过实际支付智能算力费用的一定数额实现补助。
以无锡为例，智能算力建设项目方面，对纳入市级统筹建设、落地无锡市且主要服务于本地企业、高校和科研单位的智算项目，按照“一事一议”方式，最高给予建设成本15%的补贴，总额最高不超过3000万元。
算力大模型项目方面，对新引进的人工智能大模型企业以及人工智能大模型建设项目，两年内对其通过无锡市算力公共服务平台的算力使用成本按照“一事一议”的方式给予支持，原则上比例不高于60%，最高不超过1000万元，扶持资金按照项目进度拨付。
在张庆杰看来，地方政府牵头支持算力普惠化非常具有针对性。“中国是世界人工智能重要领军国家之一，但做大模型还面临多方面的挑战，需要在政策、技术、资源、人才培养等方面进行综合的改革和发展。在计算资源方面，训练大模型需要大量的计算资源，包括CPU、GPU、TPU等。虽然中国算力具备一定的基础，但在计算资源方面还存在一定的短板，各行各业在底层计算资源上存在缺乏，这会限制大模型的训练和优化。”张庆杰说道。
除此之外，他表示，在投入成本方面，大模型的训练需要大量的资金支持，包括硬件设备、人才引进、技术研发等方面的投入。最后，行业应该在专业人才、技术生态以及计算架构方面进行发力，来进一步夯实算力基础。
